このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。

研究記事

心不全におけるDBNLの分子メカニズム:マクロファージ免疫代謝から治療的意義まで

445 閲覧数

⸱

DOI：

10.3791/69756

⸱

2026年1月2日

 ,  ,  ,  ,  , 
1Department of Cardiology, The First Affiliated Hospital of Ningbo University, 2Department of Cardiology, the Second Affiliated Hospital of Zhejiang University

この記事について

サマリー

我々は、多組学的メンデルランダム化、単一細胞トランスクリプトミクス、構造ベースの インシリコ スクリーニングを統合し、心不全におけるドレブリン様(DBNL)-マクロファージ軸を体系的に明確にするプロトコルを提示します。DBNLを薬物化可能な免疫代謝標的として提案します。

要約

心不全(HF)は依然として世界的な大きな健康課題であり、その主要な病態生理学的メカニズムを標的とした効果的な治療法は限られています。本研究では、メンデルランダム化(MR)と単細胞RNAシーケンス(scRNA-seq)を組み合わせた統合マルチオミクス手法を用いて、HFの潜在的なバイオマーカーおよび治療標的を特定しました。ゲノムワイド関連研究(GWASs)、発現定量形質遺伝子座(eQTLs)、メチル化定量形質遺伝子座(mQTLs)、タンパク質定量形質遺伝子座(pQTLs)のデータを用いて、HFの遺伝的メカニズムを調査しました。心臓マクロファージにおける遺伝子発現解析には単細胞RNAシーケンスが行われ、マクロファージ分化中のDBNLの動的調節には擬似時間解析が行われました。分子ドッキングおよび動力学シミュレーションによりピリニキシン酸(WY-14643;PubChem CID: 4594;同義語:50892-23-4;WY-14643)をDBNLの潜在的な規制機関として。マルチオミクス解析により、DBNL(ドレブリン様)がHFリスクに関連する重要な遺伝子であることが明らかになりました。単細胞RNAシーケンシングにより、DBNLは主に心臓マクロファージで発現し、病理学的条件下では上位調節されることが明らかになりました。マクロファージによるDBNLの発現は、免疫代謝および前線維化経路、特にIL-6/JAK/STAT3、PI3K/AKT/mTOR、TGF-βシグナル伝達経路に関連しています。疑似時間解析により、DBNLは特に慢性炎症においてマクロファージ分化に動的な調節効果を持つことが示されました。分子ドッキングおよび動的シミュレーションにより、ピリジン酸がDBNLの調節に潜在的な役割を持つことが示されています。本研究はDBNLが心不全の進行に果たす役割を明らかにし、治療標的としての可能性を示唆しています。重要なのは、治療的関連性が計算予測から推論される点です。これらの発見は、免疫代謝およびマクロファージ媒介の細胞間コミュニケーションに関する新たな知見を提供し、DBNL標的薬剤の最適化や機能研究における将来の応用に向けた理論的基盤を確立します。それでも、DBNLを治療標的として臨床的有効性を裏付けるためには、さらなる実験的検証と前臨床研究が必要です。

概要

心不全(HF)は、世界中で何百万人もの人々に影響を与え、医療システムに大きな経済的負担をかける重大かつ増大する世界的健康課題を表しています。したがって、心不全(HF)管理における効果的な介入の緊急性が高まっています。

心不全の複雑な病態生理は、左心室の心筋収縮力の低下に起因し、肺や末梢のうっ血などの全身的合併症の連鎖を引き起こします。しかし、心不全の進行の根本的な病態生理学的メカニズム、特に心筋の逆再構築に直接対処することは、依然として重要かつ未解決の課題です。近年、生物医学研究の分野は、主にマルチオミクス技術や先進的なバイオインフォマティクス手法の導入によって大きなパラダイムシフトを遂げています。これらのツールは、新規疾患バイオマーカーや治療標的を特定するための卓越した機会を提供します。メンデルランダム化(MR)は厳密な遺伝疫学的アプローチであり、単一塩基多型(SNP)を計器変数として用いて、遺伝的曝露と臨床アウトカムの因果関係を推定します。ランダム化比較試験の方法論的枠組みを採用することで、メンデルランダム化(MR)は交絡因子や逆因果関係の問題に効果的に対処し、薬物標的の特定と再利用のための強力な証拠を提供します。同時に、単細胞RNAシーケンシング(scRNA-seq)は組織の異質性を比類なき解像度で明らかにし、心臓など複雑な臓器内の細胞型特異的遺伝子発現や細胞間通信ネットワークに関する深い洞察を提供します。遺伝学的、トランスクリプトミクス的、プロテオミクス的データを統合するマルチオミクスアプローチは、疾患のメカニズムの解明や治療経路の特定に大きな可能性を秘めています。

これらの技術的進歩にもかかわらず、心不全における心臓炎症や再モデルを引き起こす特定の細胞および分子メカニズムについては、依然として大きな知識のギャップが残っています。蓄積された証拠は、免疫細胞、特にマクロファージが、心筋損傷や慢性心不全過程における炎症反応とその後の組織再構築を指揮し、さらに疾患の進行に不可欠であることを示唆しています6。これまでの研究は主に広範な炎症メディエーターや細胞表面マーカーに焦点を当てており、これら重要な免疫細胞集団内の細胞内調節標的の探求に大きなギャップが生じています。さらに、従来のゲノムワイド関連研究(GWASs)は心不全に関連する多くの遺伝的関連を特定していますが、決定的な因果関係の確立にしばしば困難に直面しており、直接的な治療翻訳への適用性が制限されています。したがって、DNAメチル化(mQTLs)、遺伝子発現(eQTLs)、タンパク質存在量(pQTLs)に影響を与える遺伝的変異を取り入れた包括的なマルチオミクス・メンデルランダム化(MR)フレームワークの実装は、複数の生物学的調節層にわたるより堅牢な因果推論を達成するために不可欠です。このアプローチは、単層QTL研究に伴う固有の制約に対応します。特に、ドレブリン様(DBNL)タンパク質は、神経発達や細胞骨格動態の文脈で広範な研究の対象となっています。しかし、その機能的意義や心血管疾患、特に心不全における治療的可能性については、まだほとんど解明されていません。この大きな理解のギャップは、心不全治療における新しく潜在的に有効な標的としてDBNLを検討することを妨げています。

これらの重要な知識のギャップに対処するため、本研究はeQTL、mQTL、pQTLデータを統合したマルチオミクスMRフレームワークを通じて、心不全リスクに因果関係のある主要遺伝子を強力に特定することを目指しています。本研究は、発現定量形質遺伝子座(eQTLs)、メチル化定量形質遺伝子座(mQTLs)、タンパク質定量形質遺伝子座(pQTLs)を含む多組学的メンデルランダム化解析を統合し、高分解能の単一細胞トランスクリプトミックデータ(GSE161470)およびバルクトランスクリプトミックデータ(GSE161472)を統合し、DBNL遺伝子を心不全の重要な原因リスク因子として体系的に特定することを提案します。これらの発見は、DBNLが主に心臓マクロファージで発現し、その発現が分化過程で動的に変化していることを示しています。さらに、本研究の結果は、DBNLが心臓免疫微小環境の調節や、IL-6/JAK/STAT3シグナル伝達カスケードなどの心不全関連免疫代謝経路、さらには前線維化シグナル伝達経路の調整において重要な役割を明らかにしています。さらに、計算生物学的手法を用いることで、本研究はピリチル酸(WY-14643)がDBNLの高親和性リガンドであると予測し、DBNLを心不全の新規治療標的として指定し、標的型薬理学的介入の開発を促進する包括的かつ多次元的な理論的枠組みを提供します。単細胞RNAシーケンシングを用いて、心臓微小環境内で特定された主要遺伝子DBNLの細胞特異的発現と機能経路を特徴づけ、免疫代謝および前線維化シグナル伝達経路におけるDBNLの役割、ならびに心臓細胞間の細胞間コミュニケーションに関与する役割を調査しました。DBNLの潜在的な小分子配位子は、計算分子ドッキングおよび分子動力学シミュレーションを通じて同定されました。主に心臓のマクロファージで発現するDBNLが、免疫代謝経路や細胞間クロストークを調節することで心不全の進行に因果関係を及ぼすと仮説を立てます。まとめると、高度なマルチオミクス・メンデルランダム化と高分解能単一細胞解析を統合することで、心不全の新規治療標的を体系的に特定・特徴づけ、潜在的な小分子モジュレーター標的を探求しました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

データダウンロード
遺伝子発現データ
本研究で使用された単細胞RNAシーケンシング(scRNA-seq)データは、国立バイオテクノロジー情報センター(NCBI)(https://www.ncbi.nlm.nih.gov/geo/)が管理する遺伝子発現オムニバス(GEO)リポジトリから取得し、特にアクセス番号9 GSE161470(ヒト心臓組織、4つの対照標本と1つの病理標本を含むデータセット)から取得されました。このデータセットは、2022年にZhangらによって最初に公開されました。当初の研究の主な目的は、心不全の条件下でヒト心臓組織における細胞の異質性と分子調節機構を調べることでした。本解析では、このデータセットからヒト心臓組織から導き出された包括的な単細胞発現プロファイルを含む5つのサンプルが選ばれました。本研究で使用されたもう一つのデータセットもNCBI GEOの公開リポジトリから取得され、特に登録番号GSE161472に対応するシリーズマトリックスファイルと注釈ファイルGPL11154を添えて取得しました。発現プロファイルは合計84サンプルで構成されており、そのうち37サンプルは対照サンプル、47サンプルは疾患サンプルです。この研究は統合的マルチオミクス解析を含み、すべての調査は公開されているデータを用いて行われます。

eQTLデータ
eQTLデータはeQTLGenコンソーシアムから得られ、血液中の遺伝子発現の遺伝的枠組みや複雑な形質に影響を与える遺伝的要因の解明に焦点を当てています3。現在、コンソーシアムは大規模なプロジェクトの第2段階に取り組んでおり、血液遺伝子発現に関するゲノム全体データのメタアナリシスを行っています。

曝露データ - mQTLs
mQTLデータは、ヨーロッパ系集団3,701サンプルの遺伝的枠組みの中で全血DNAメチル化を調査した欧州(EUR)コホートのメタアナリシスから得られたものである。データセットには426,636のmQTL形質に関する情報が含まれていました。

曝露データ-pQTL
血漿pQTLデータはdeCODEデータベース(https://www.decode.com/summarydata/)4から取得されました。本研究は、2021年に発表されたdeCODE pQTLデータセットのデータを使用し、ヨーロッパ系35,559人のコホートを対象に4,907人のアプタマーを用いて血漿タンパク質レベルのゲノムワイド関連研究(GWAS)を含みます。

アウトカムデータ
心不全の要約統計は、主にヨーロッパ系の参加者を対象とした大規模なゲノムワイド関連研究(GWAS)から取得され、欧州バイオインフォマティクス研究所(EBI)データベース(GCST90162626)を通じて取得されました。心不全データセットには115,150件の症例と1,550,331件の対照群が含まれていました。GWASカタログは、出版物、主要な協会、詳細な要約統計を含み、現在はGenome AssemblyおよびdbSNP Buildにマッピングされたデータを提供しています。

mQTL、eQTL、pQTLのメンデルランダム化解析
遺伝子発現、タンパク質の豊富さ、DNAメチル化レベル、心不全リスクとの潜在的な因果関係を体系的に調査するため、発現定量形質遺伝子座(eQTLs)、タンパク質定量形質遺伝子座(pQTLs)、メチル化定量形質遺伝子座(mQTLs)データセットを用いてメンデル無作為化(MR)解析を実施しました。曝露データ前処理段階では、各曝露変数(遺伝子、タンパク質、メチル化部位)に関連する単一塩基多型(SNP)を、P<1×10⁻⁵のゲノム全般有意閾値で抽出し、初期の候補計器変数(IV)として利用しました。その後、各曝露因子のIVに対して、ウィンドウサイズ10,000キロベース(kb)とLD R²閾値0.001を用いて、機器間の独立性を確保するために連鎖不平衡(LD)凝集が行われました。これらの選定されたIVは、心不全関連研究(GWAS;ID: GCST90162626)を用いて、read_outcome_data関数を用い、結果データセットで5×10⁻⁵未満の関連P値を示すSNPのみを保持します。弱い機器バイアスを軽減するため、各IVのF統計量はF = (β_exposure/SE_exposure)²として計算され、F>10の機器のみが後続解析に含まれました。因果効果推定のために、曝露データセットとアウトカムデータセット間のアレルアラインメントはTwoSampleMRパッケージのharmonize_data関数を用いて実施されました。その後、4つの補完的な統計的手法を用いたMR解析が行われました:(1) SNP間のWald比率推定値のメタ分析を提供する逆分散加重(IVW)法;(2) MR-エッガー回帰:直接効果に依存しない計測強度(InSIDE)仮定のもとでインターセプト項を取り入れて方向性多面性を説明する;(3) 加重中央値法:最大50%の機器が無効であっても一貫した因果推定値を得る方法;(4) 最も頻繁な因果効果推定クラスタを特定し、MR-Eggerと比較して統計的検出力を高め、タイプI誤差を低減する加重モード法。単一の計測変数のみが利用可能な場合には、ウォルド比率法が専用に適用されました。所見の堅牢性を評価するために、mr_heterogeneity関数による異質性検定、mr_pleiotropy_testを用いた多面性評価、mr_leaveoneout関数を用いたリーブワンアウト分析(各SNPを反復的に除外して個々の変異が全体結果に与える影響を判断)を含む包括的な感度解析が実施されました。重要な関連性は、mr_scatter_plotやmr_forest_plotなどのグラフィカルツールを用いて可視化されました。この分析パイプラインはeQTL、pQTL、mQTLのデータセット全体で一様に適用され、研究全体を通じて方法論的一貫性を維持しました。

共局在化解析
Coloc法、eQTLサマリーデータ、心不全5のGWASを用いた共局在解析が行われました。指数単一塩基多型(SNP)を用いて、100 kbの凝集ウィンドウ内の後方確率を算出しました。共局在(coloc)解析において、仮説H3は遺伝子発現と心不全という2つの形質が相関しているが、異なる因果変異を持つ後方確率を示します。逆に、仮説H4は、両特性の関連が単一の共通因果変異に起因する事後確率を示します。SNPの閾値。PP。H4が0.90を超える値を用いて共局在を決定しました。

免疫浸潤
CIBERSORT法は、微小環境内の免疫細胞タイプを評価するために広く採用されている手法です。サポートベクター回帰原理を用いることで、免疫細胞サブタイプの発現マトリックスのデコンボリューション解析が可能です。547のバイオマーカーを取り込むことで、CIBERSORTはT細胞、B細胞、形質細胞、さまざまな骨髄細胞サブグループを含む22種類のヒト免疫細胞表現型を分化できます。GSE161472データセットを活用し、CIBERSORTアルゴリズムと統合されたLM22シグネチャーマトリックスを用いて解析が行われました。このマトリックスは22種類の異なるヒト免疫細胞の遺伝子発現プロファイルを特徴づけています。これら22の免疫細胞集団の浸潤レベルは、各サンプルごとに定量化されました。その後、cor.テスト関数を用いて、主要遺伝子の発現と対応する免疫細胞浸潤レベルとの相関を評価しました。

単細胞RNAシーケンスデータ処理と品質管理
単一セルの発現プロファイルデータは、R(V4.3.0)環境6のSeurat (V4.3.0)パッケージで処理されました。本研究では、単一細胞RNAシーケンシングデータの解析に従来のワークフローを用いています。当初、式プロファイルはSeuratパッケージを使ってインポートされていました。細胞は、各細胞の総UMI数、発現遺伝子数、ミトコンドリアリードの割合、リボソームリードの割合など、複数の品質指標に基づいてフィルタリングされました。外れ値は中央値から3回以上の絶対偏差(MADs)を外す値として特定されました。適用された具体的なフィルタリング閾値は以下の通りです:nFeature_RNA ≥ 200、percent.mt ≤ 2.15718、nFeature_RNA ≤ 2840.941、nCount_RNA ≤ 5194.27。通常、過剰に高い総UMI数と発現遺伝子数を示す細胞は二重線と分類され、一方でミトコンドリアまたはリボソームのリード率が高い細胞は低質で、アポトーシスや断片化が起きる可能性があると考えられました。これらのフィルタリングの後、DoubletFinder(バージョン2.0.4)を用いて各サンプルから個別にダブレットを識別・除去し、細胞品質管理プロセスを完了しました。当初、データ正規化はnormalizeData関数を用いて行われていました。その後、細胞周期のステータスはCellCycleScoreing関数で評価され、FindVariableFeatures 法により高度に変動する遺伝子が特定されました。その後、データセットはScaleDataを用いてスケーリングされ、データの標準化とミトコンドリア遺伝子、リボソーム遺伝子、細胞周期の影響が下流解析に与える影響を軽減しました。線形次元削減はRunPCA関数を用いた主成分解析(PCA)を用いて行われ、重要な主成分はさらに解析のために選ばれました。異なるサンプル間のバッチ効果に対応するため、Harmonyアルゴリズム(バージョン1.1.0)が用いられました。このアプローチは、クラスタ内でバッチ多様性を維持しつつ、異なるバッチの類似セルを反復的にクラスタリングします。データセットで比較的穏やかなバッチ効果が観察されたため、デフォルトのパラメータ(θ = 2)が適用されました。その後、RunUMAPを用いて非線形次元削減が行われ、その後FindNeighborsによるセル近傍グラフの構築とFindClustersによるセルクラスタリングが行われました。細胞タイプ注釈については階層的な注釈フレームワークが実装されました。一次手動注釈はCellMarkerデータベースと関連文献に基づく特徴的な遺伝子発現パターンに基づいて行われ、これに加えて、SingleRソフトウェアから得られた自動注釈結果が参照として補完されました。細胞型同定の精度と包括性をさらに高めるために、Human Primary Cell Atlas(HPCA)、BlueprintEncode、MonacoImmune、DatabaseImmuneCell、Novershtern Haematopoieticなど複数の権威あるデータベースを参照しました。セル注釈はCellMarker(http://117.50.127.228/CellMarker/CellMarkerBrowse.jsp)データベースを照会し文献をレビューし、SingleR(V2.4.0)ソフトウェア13による自動注釈サポートを用いて行われました。対応する組織に存在する細胞型とそれに関連するマーカー遺伝子を特定することを目指しています14。

リガンドと受容体の相互作用の解析
本研究では、CellCall(バージョン1.0.7)を用いて細胞間通信ネットワークの包括的な解析を行いました。生カウント行列と並行してSeuratから派生された細胞型注釈を用いることで、ヒトゲノム用のパラメータを設定した正規化解析オブジェクトを構築しました。TransCommuProfile関数は、重み付けアルゴリズムを通じて細胞間相互作用の強さを定量化するために適用され、信頼できるリガンド-受容体対を特定するためにp値<有意性閾値を実装しました。有意な相互作用ペアはその後、getHyperPathway関数を用いたKEGG経路濃縮解析を行い、細胞型と経路間の関係をバブルプロットを用いて示しました。全体の通信ネットワークは最終的に円形のプロットで可視化され、8色の異なる細胞タイプが示されました。相互作用の強さと方向性は矢印の特徴で表され、細胞間シグナル伝達の動態を詳細に特徴づけました。

擬似時間解析
心不全の進行に伴うマクロファージの動的な転写調節を調査するため、本研究ではモノクルアルゴリズムを用いてマクロファージサブポピュの擬似時間解析を行いました。標的細胞サブポピュレーションに対応する遺伝子発現マトリックスを抽出し、高変数の遺伝子を順序付け特徴として選択した単一細胞軌跡解析オブジェクトを構築しました。DDRTree次元削減技術を用いて、細胞を二次元空間にマッピングし、分化軌跡を再構築しました。可視化解析を行い、擬似時間軸に沿った細胞の分布を特定し、擬似時間で有意に変化した遺伝子を特定しました。その後の解析では、主要遺伝子DBNLに焦点を当て、細胞の軌跡に沿った発現動態を特徴づけ、心不全進行中のマクロファージの転写再プログラミングメカニズムを明らかにしました16。

遺伝子セット濃縮解析(GSEA)
本研究では、心不全に関与する主要遺伝子に関連する調節機構を解明するためにGSEAアプローチを用いました。既に特定された主要遺伝子を用いて、中央値発現値に基づいて高発現コホートと低発現コホートに層分けしました。limmaパッケージを用いて差異発現解析を行い、logfold変化(logFC)に基づく順位付け遺伝子リストを作成しました。その後、KEGG経路濃縮解析はclusterProfilerツールを用いて行われ、MsigDBデータベースから取得した遺伝子セットを参考背景として使用しました。その後、GSEAアルゴリズムを用いて、2つの発現群間で有意に濃縮されたシグナル伝達経路を特定し、0.05未満の調整p値閾値を用いて統計的有意性を決定しました。重要経路内のコア遺伝子の調節機能を示すために、多経路GSEAプロットや円形ネットワーク図など様々な可視化技術が用いられました。

遺伝子セット変異解析(GSVA)
GSVAは、トランスクリプトミックデータ内の遺伝子セット濃縮を評価するために用いられる非パラメトリックかつ教師なしのアプローチです。この手法は、特定の遺伝子セットの複合スコアを計算することで遺伝子レベルの変異を経路レベルの変異に変換し、さまざまなサンプル間での生物学的機能変化の評価を容易にします。本研究では、遺伝子セットを分子シグネチャーデータベースから取得しました。GSVAアルゴリズムを用いて各遺伝子セットの複合スコアを計算し、異なるサンプル間で潜在的な生物学的機能変化の評価を可能にしました。GSVA濃縮分析の結果は補足資料(補足表1)に記載されています。

CTD薬物予測
ターゲット遺伝子(DBNL)は比較毒性ゲノミクスデータベース(CTD)の検索欄に入力され、「心血管疾患」という疾患カテゴリが選択され、「心不全」という疾患に関連する薬剤予測データを取得するためにクエリが実行されました。得られた予測結果はその後、Cytoscapeソフトウェアに取り込まれ、データの可視化を容易にし、遺伝子-化学的相互作用ネットワークマップの作成を可能にしました。

分子ドッキング法
ヒトDBNLタンパク質(UniProt ID: Q9UJU6)の未解明の三次元結晶構造により、本研究はAlphaFold317に基づきDBNLの三次元構造を予測しました。ピリニキシン酸(WY-14643)はPubChemデータベース(PubChem CID: 5694)からダウンロード可能です。その後、MGLToolsソフトウェア(バージョン1.5.7)18でタンパク質構造を前処理し、水素原子の付加などの工程を含みました。同時に、タンパク質と小分子はドッキングに必要なPDBQT形式に変換されました。AutoDock Vinaソフトウェア(バージョン1.1.2)19 は、グローバル分子ドッキング(外生性=16、num_modes=30)に使用され、潜在的な結合モードの探索に使われました。ドッキング計算が完了すると、結合自由エネルギーが最も低い高い親和性を持つ複体構造を、次の分子動力学シミュレーションの初期構造として選択すべきです。

分子動力学シミュレーション法
候補化合物とタンパク質間の結合安定性および相互作用機構を体系的に調査するため、GROMACSソフトウェアパッケージ(バージョン2024.03)を用いて従来の分子動力学(MD)シミュレーションを実施しました。タンパク質パラメータはAmber14SB力場21を用いて生成され、水分子モデルはTIP3Pモデル22で生成され、リガンドトポロジーパラメータはGeneral Amber Force Field(GAFF)に基づくAntechamber Python Parser Interface(ACPYPE)ツールを用いて生成されました。その後、リガンド-タンパク質複合体系はTIP3P水分子で満たされた周期的な境界八面体ボックス内に配置されました。ナトリウム(Na⁺)と塩化物(Cl⁻)イオンが導入され、0.15 mol/Lの濃度を達成し、系全体の電荷を中和しました。システム建設完了後、最初のステップは5万段の最も急な降下法を用いてエネルギーを最小化し、構造内の不合理な構造を排除することを目指しました。その後、システムの平衡の2段階が実施されました。100 ps NVT(一定粒子数・体積・温度)シミュレーションと、100 ps NPT(一定粒子数・圧力・温度)シミュレーションです。これらのシミュレーションでは、タンパク質の構造的完全性を保つために、タンパク質の重い原子に位置制約が適用されました。温度はVリスケールサーモスタットで300Kに維持され、圧力はParrinello-Rahmanバロスタットを用いた圧力結合により1バールで調整されました。平衡段階の完了後、100ナノ秒にわたる生産相シミュレーションが行われ、すべての位置制約が解消されます。軌道は2フェムト秒の時間ステップで積分され、粒子メッシュ・エワルト法(PME)が長距離静電相互作用の精密管理に用いられました。軌道は10 psごとに保存され、合計10,000フレームが後続解析のために出力されました。さらに、シミュレーションから90〜100 ns間隔の安定した軌道を抽出し、gmx MMPBSAツール23を用いてリガンドタンパク質複合体の結合自由エネルギーを計算しました。

統計解析
このメンデルランダム化(MR)解析の妥当性は、3つの基本的な仮定に依存しています。(1) 関連性:計測変数(IV)は曝露と強い関連を示す必要があります。(2) 独立性:IVは曝露と結果の両方に影響を与える交絡因子から独立していなければなりません。(3) 排除制限:IVは曝露への影響を通じて結果に限定的に影響を与えるべきです。この仮定の破り、すなわちIVが曝露を伴わない経路を通じて結果に影響を与える場合、これを水平多面性(horizontal pleiotropy)と呼びます。すべての統計解析はRバージョン4.3.0を用いて両側検定を行い、p値が0.05未満であれば統計的有意性を示すと考えられました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

メンデルランダム化および共局在解析による心不全リスクに関連する遺伝子としてのDBNLの同定
心不全関連サンプルのアウトカム識別子GCST90162626は、要約統計データセットから取得されました。1,247組の発現定量形質遺伝子座(eQTL)およびアウトカム間の因果関係が、extract_instrumentsおよびextract_outcome_data関数(補足表2).その後のメンデルランダム化解析では、eQTL陽性アウトカムに関連する567の遺伝子ペアが明らかになりました(図1A).その結果、MRPL11、CAMK2G、HSP90AB1、ATP2B1を含む280の遺伝子が心不全のリスク低下と関連していることが明らかになりました(オッズ比[OR] < 1). Conversely, 287 genes, such as ZNF394, DIPK1B, FCRL1, and COPDA1, were linked to an increased risk of heart failure (OR ...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

炎症は心不全(HF)の病態生理の基本的な側面を構成していますが、これまでの研究は主に一般化された炎症メディエーターと細胞表面マーカーに焦点を当ててきました 17,18,24。この焦点は、関与する特定の細胞メカニズムの解明を制限しています。これらの制約を克服するために、マルチオミクス・メンデルランダム化(MR)と単一細胞トランスクリプトミクス解析を組み合わせた統合的アプローチを用い、HFにおける新規治療標的として細胞骨格タンパク質DBNLを特定しました。

メンデルランダム化(MR)、共局在解析、単細胞RNAシーケンスにより、DBNL遺伝子が心不全(HF)リスクと有意に関連していることが判明しました。私たちの結果は、DBNLが主に心臓マクロファージで発現し、免疫代謝シグナル伝達経路に関与していることを示しています。その後の分子ドッキン...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者たちは競合する利害関係がないと宣言しています。

謝辞

この研究プログラムは、中国浙江省自然科学基金(LTGY24H020001)、浙江省伝統中国医学科学技術プロジェクト(2023ZR131, 2023ZL158)、寧波公共福祉重点プロジェクト(2024S030)、寧波重点技術研究開発プログラム(2022Z149)、浙江省動脈硬化性疾患精準医療重点研究所(2022E10026)の支援を受けています。 浙江医師会臨床医学研究特別基金プロジェクト(2021ZYC-A11)を担当しました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
Cellマーカーデータベースハルビン医科大学(CellMarker 2.0)http://bio-bigdata.hrbmu.edu.cn/CellMarker/CellMarkerデータベース;単一細胞注釈時に組織/細胞タイプマーカー遺伝子を照会するための
比較毒性ゲノミクスデータベース(CTD)CTD(デューク大学他)http://ctdbase.org/CTDデータベース;薬物予測に用いられる化学物質、遺伝子、表現型、疾患間の相互作用の取得
deCODE 血漿pQTLデータセット(2021年、4,907アプタマー、35,559ヨーロッパサンプル)deCODE遺伝学https://www.decode.com/summarydata/2021年pQTLデータリリース;MR解析のためのpQTL曝露データとして使用
eQTLGen 全血eQTLデータeQTLGen Consortiumhttps://www.eqtlgen.org/eQTLGen フェーズ I/II(使用法に応じた特定のバージョン);MRおよび共局在解析のためのeQTL曝露データとして使用
GEO単細胞RNAシークシークライメントデータセットGSE161470(ヒト心臓組織:4つの対照+1個の病理サンプル)NCBI遺伝子発現オムニバス(GEO)https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE161470GSE161470;ヒト心臓組織の単細胞RNAシーケンスデータを取得し、下流解析のために
GWASカタログNHGRI–EBIhttps://www.ebi.ac.uk/gwas/GWASカタログ;HF関連のGWAS情報、注釈、補助解析の取得
心不全GWAS要約統計(GCST90162626年)NHGRI–EBI GWASカタログhttps://www.ebi.ac.uk/gwas/studies/GCST90162626研究入会:GCST90162626;MRおよび共局在解析のアウトカムデータとして使用
分子シグネチャーデータベース(MSigDB)v7.0ブロード研究所https://www.gsea-msigdb.org/gsea/msigdbMSigDB v7.0;GSEA/GSVAの背景遺伝子セットおよび経路注釈について
ピリニキシン酸(WY-14643)構造データ(PubChem)NCBIパブケムhttps://pubchem.ncbi.nlm.nih.gov/compound/5694PubChem CID:5694;分子ドッキングおよび動力学シミュレーションのためのリガンド3D構造取得に使用されました
UniProtタンパク質データベース(DBNL、UniProt ID: Q9UJU6)UniProtコンソーシアムhttps://www.uniprot.org/uniprot/Q9UJU6ユニプロット:Q9UJU6;構造予測とドッキングのためにDBNLのアミノ酸配列を取得するために使用されました
全血mQTLメタアナリシス(参考文献11、ヨーロッパ3,701サンプル、426,636mQTL形質)著者/コンソーシアム(あなたの参考文献による11)元のデータベースURL/DOIの追加を保留中の著者参照DOIまたはデータセットID;MR解析のためのmQTL曝露データとして使用

参考文献

  1. Darvish, M., et al. Heart failure: Assessment of the global economic burden. Eur Heart J. 46 (31), 3069-3078 (2025).
  2. Giambartolomei, C., et al. Bayesian test for colocalisation between pairs of genetic association studies using summary statistics. PLoS Genet. 10 (5), e1004383(2014).
  3. Ferkingstad, E., et al. Large-scale integration of the plasma proteome with genetics and disease. Nat Genet. 53 (12), 1712-1721 (2021).
  4. Yang, M., et al. No evidence of a genetic causal relationship between ankylosing spondylitis and gut microbiota: A two-sample mendelian randomization study. Nutrients. 15 (4), 1057(2023).
  5. Lee, D. S., et al. Simultaneous profiling of 3D genome structure and DNA methylation in single human cells. Nat Methods. 16 (10), 999-1006 (2019).
  6. Martini, E., et al. Single-cell sequencing of mouse heart immune infiltrate in pressure overload-driven heart failure reveals extent of immune activation. Circulation. 140 (25), 2089-2107 (2019).
  7. van der Ende, M. Y., Said, M. A., van Veldhuisen, D. J., Verweij, N., van der Harst, P. Genome-wide studies of heart failure and endophenotypes: Lessons learned and future directions. Cardiovasc Res. 114 (9), 1209-1225 (2018).
  8. Inoue, S., et al. Drebrin-like (Dbnl) controls neuronal migration via regulating N-cadherin expression in the developing cerebral cortex. J Neurosci. 39 (4), 678-691 (2019).
  9. Luo, X., et al. Chamber-enriched gene expression profiles in failing human hearts with reduced ejection fraction. Sci Rep. 11 (1), 11839(2021).
  10. Lingscheid, T., et al. Pharmacokinetics of nirmatrelvir and ritonavir in COVID-19 patients with end-stage renal disease on intermittent hemodialysis. Antimicrob Agents Chemother. 66 (11), e0122922(2022).
  11. Hatton, A. A., et al. Genetic control of DNA methylation is largely shared across European and East Asian populations. Nat Commun. 15 (1), 2713(2024).
  12. Bense, R. D., et al. Relevance of tumor-infiltrating immune cell composition and functionality for disease outcome in breast cancer. J Natl Cancer Inst. 109 (1), djw192(2017).
  13. Hu, C., et al. CellMarker 2.0: An updated database of manually curated cell markers in human/mouse and web tools based on scRNA-seq data. Nucleic Acids Res. 51 (D1), D870-D876 (2023).
  14. Aran, D., et al. Reference-based analysis of lung single-cell sequencing reveals a transitional profibrotic macrophage. Nat Immunol. 20 (2), 163-172 (2019).
  15. Zhang, Y., et al. CellCall: integrating paired ligand-receptor and transcription factor activities for cell-cell communication. Nucleic Acids Res. 49 (15), 8520-8534 (2021).
  16. Trapnell, C., et al. The dynamics and regulators of cell fate decisions are revealed by pseudotemporal ordering of single cells. Nat Biotechnol. 32 (4), 381-386 (2014).
  17. Abramson, J., et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature. 630 (8016), 493-500 (2024).
  18. Morris, G. M., et al. AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility. J Comput Chem. 30 (16), 2785-2791 (2009).
  19. Trott, O., Olson, A. J. AutoDock Vina: Improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. J Comput Chem. 31 (2), 455-461 (2010).
  20. Abraham, M. J., et al. GROMACS: High performance molecular simulations through multi-level parallelism from laptops to supercomputers. SoftwareX. 1, 19-25 (2015).
  21. Hornak, V., Abel, R., Okur, A., Strockbine, B., Roitberg, A., Simmerling, C. Comparison of multiple Amber force fields and development of improved protein backbone parameters. Proteins. 65 (3), 712-725 (2006).
  22. Zahn, D., Schilling, B., Kast, S. M. Enhancement of the wolf damped coulomb potential: Static, dynamic, and dielectric properties of liquid water from molecular simulation. J Phys Chem B. 106 (41), 10725-10732 (2002).
  23. Valdés-Tresanco, M. S., Valdés-Tresanco, M. E., Valiente, P. A., Moreno, E. gmx_MMPBSA: A new tool to perform end-state free energy calculations with GROMACS. J Chem Theory Comput. 17 (10), 6281-6291 (2021).
  24. Davis, A. P., Wiegers, T. C., Johnson, R. J., Sciaky, D., Wiegers, J., Mattingly, C. J. Comparative toxicogenomics database (CTD): Update 2023. Nucleic Acids Res. 51 (D1), D1257-D1262 (2023).
  25. Stiber, J. A., et al. The actin-binding protein drebrin inhibits neointimal hyperplasia. Arterioscler Thromb Vasc Biol. 36 (5), 984-993 (2016).
  26. Liu, N., et al. HIP-55/DBNL-dependent regulation of adrenergic receptor mediates the ERK1/2 proliferative pathway. Mol Biosyst. 10 (7), 1932-1939 (2014).
  27. Bai, Y., et al. Identification of drug targets for Sjögren's syndrome: Multi-omics Mendelian randomization and colocalization analyses. Front Immunol. 15, 1419363(2024).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

タグ

DBNL RNA IL 6 JAK STAT3 PI3K AKT mTOR
動画は近日公開
お問い合わせ
図書館への推薦

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。